Un jeu de données environnementales a été produit à partir de données satellitaires et d’interpolations pour desles zones côtières autour de la Guadeloupe et de la Martinique. Trois approches de modèles de distribution d’espèces (MDE) ont été proposées pour mettre en relation ces données environnementales avec les données d’occurrences d’espèces des collections du Muséum :
Dans un second temps, nous avons généré des MDE à partir du postulat suivant : les espèces que nous étudions étant des espèces appartenant à la méso- voire la microfaune benthique, elles seront plus sensibles à la structuration de l’habitat qu’aux variables environnementales.
Pour cela, nous avons généré, pour chaque niveau de la troisième approche décrite précédemment, c’est-à-dire “global”, “local” et “habitat” :
Pour chaque niveau (global, local, habitat) et pour chaque algorithme, les modèles de sorties ont d’abord été compilées par moyenne d’ensemble (comittee averaging, ca) puis par un algorithme de pondération par la moyenne (wmean). Trois MDE compilés sont alors obtenus pour chaque algorithme.
Ces trois MDE sont alors compilés par pondération par la moyenne (wmean) une nouvelle fois en tenant tenant en compte une hiérachie entre les niveaux (à savoir, habitat > local > global). Finalement, un modèle final est obtenu pour chaque algorithme (rf, maxent, ensemble). Ces modèles représentent l’adéquation environnementale (habitat suitability), parfois appelée probabilité de présence. Il s’agit d’une valeur comprise entre 0 et 1000. Plus la valeur est élevée, plus les valeurs environnementales de la cellule considérée sont représentative de la niche écologique de l’espèce telle qu’estimée par le modèle (et donc est un indicateur de la probabilité de retrouver l’espèce à cet endroit donné).
Nous avons représenté, pour chaque modèle final, la distribution des valeurs d’adéquation environnementale correspondant aux observations des présences de l’espèce utilisées pour calibrer le modèle.
Les cartes de présence-absence de l’espèce ont aussi été générées en utilisant une valeur seuil d’adéquation environnementale. Ce seuil est obtenu à partir d’une métrique calculée pour plusieurs valeurs de seuil d’adéquation environnementale. La métrique (TSS) permet d’identifier le seuil pour lequel les prédictions du modèle sont les meilleurs. C’est-à-dire, le seuil est optimal est celui pour lequel le modèle prédit le mieux les observations d’entrées du modèle (à savoir les présences et les absences de l’espèce étudiée). Le nombre de prédictions correctes a été représentées sous ces cartes.
Nous présentons ici le cas de la Martinique pour l’espèce Claremontiella nodulosa.
Compilation par moyenne d’ensemble
Compilation par moyenne pondérée
Présence-absence de la compilation par moyenne
d’ensemble
Présence-absence de la compilation par moyenne
pondérée